Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Menggunakan Algoritma untuk Menjalankan Job Tuning Hyperparameter
Bagian berikut menjelaskan cara menggunakan sumber daya algoritme untuk menjalankan pekerjaan tuning hyperparameter di Amazon SageMaker AI. Pekerjaan penyetelan hyperparameter menemukan versi terbaik dari model dengan menjalankan banyak pekerjaan pelatihan pada kumpulan data Anda menggunakan algoritme dan rentang hiperparameter yang Anda tentukan. Kemudian memilih nilai hyperparameter yang menghasilkan model yang berkinerja terbaik, yang diukur dengan metrik yang Anda pilih. Untuk informasi selengkapnya, lihat [Penyetelan model otomatis dengan AI SageMaker](automatic-model-tuning.md).
Anda dapat membuat menggunakan sumber daya algoritme untuk membuat pekerjaan penyetelan hiperparameter dengan menggunakan konsol Amazon SageMaker AI, API Amazon SageMaker tingkat rendah, atau SDK [Amazon SageMaker Python](https://sagemaker.readthedocs.io/en/stable).
**Topics**
+ [Menggunakan Algoritma untuk Menjalankan Job Tuning Hyperparameter (Console)](#sagemaker-mkt-algo-tune-console)
+ [Menggunakan Algoritma untuk Menjalankan Hyperparameter Tuning Job (API)](#sagemaker-mkt-algo-tune-api)
+ [Menggunakan Algoritma untuk Menjalankan Pekerjaan Tuning Hyperparameter (Amazon [Python SageMaker SDK](https://sagemaker.readthedocs.io/en/stable))](#sagemaker-mkt-algo-tune-sdk)
## Menggunakan Algoritma untuk Menjalankan Job Tuning Hyperparameter (Console)
**Untuk menggunakan algoritme untuk menjalankan pekerjaan tuning hyperparameter (konsol)**
1. Buka konsol SageMaker AI di [https://console.aws.amazon.com/sagemaker/](https://console.aws.amazon.com/sagemaker/).
1. Pilih **Algoritma.**
1. Pilih algoritme yang Anda buat dari daftar di tab **Algoritma saya** atau pilih algoritme yang Anda langgani di tab **AWS Marketplace langganan**.
1. Pilih **Buat pekerjaan tuning hyperparameter**.
Algoritma yang Anda pilih akan dipilih secara otomatis.
1. Pada halaman **pekerjaan penyetelan Create hyperparameter**, berikan informasi berikut:
1. Untuk **Warm start**, pilih **Aktifkan start hangat** untuk menggunakan informasi dari pekerjaan penyetelan hiperparameter sebelumnya sebagai titik awal untuk pekerjaan penyetelan hiperparameter ini. Untuk informasi selengkapnya, lihat [Jalankan Pekerjaan Tuning Hyperparameter Mulai yang Hangat](automatic-model-tuning-warm-start.md).
1. Pilih **Data dan algoritme identik** jika data input Anda sama dengan data input untuk pekerjaan induk dari pekerjaan penyetelan hiperparameter ini, atau pilih **Transfer pembelajaran** untuk menggunakan data input tambahan atau berbeda untuk pekerjaan penyetelan hiperparameter ini.
1. Untuk pekerjaan **penyetelan hiperparameter Induk, pilih hingga 5 pekerjaan** penyetelan hiperparameter untuk digunakan sebagai orang tua untuk pekerjaan penyetelan hiperparameter ini.
1. Untuk **nama pekerjaan tuning Hyperparameter**, ketikkan nama untuk pekerjaan tuning.
1. Untuk **peran IAM**, pilih peran IAM yang memiliki izin yang diperlukan untuk menjalankan pekerjaan tuning hyperparameter di SageMaker AI, atau pilih **Buat peran baru untuk memungkinkan SageMaker AI membuat peran yang** memiliki kebijakan terkelola yang dilampirkan. `AmazonSageMakerFullAccess` Untuk informasi, lihat [Cara menggunakan peran eksekusi SageMaker AI](sagemaker-roles.md).
1. Untuk **VPC**, pilih VPC Amazon yang ingin Anda izinkan untuk mengakses pekerjaan pelatihan yang diluncurkan oleh pekerjaan penyetelan. Untuk informasi selengkapnya, lihat [Berikan Akses Pekerjaan Pelatihan SageMaker AI ke Sumber Daya di VPC Amazon Anda](train-vpc.md).
1. Pilih **Berikutnya**.
1. Untuk **metrik Objective**, pilih metrik yang digunakan oleh tugas tuning hyperparameter untuk menentukan kombinasi terbaik dari hyperparameters, dan pilih apakah akan meminimalkan atau memaksimalkan metrik ini. Untuk informasi selengkapnya, lihat [Lihat Training Job Terbaik](automatic-model-tuning-ex-tuning-job.md#automatic-model-tuning-best-training-job).
1. Untuk **konfigurasi Hyperparameter**, pilih rentang untuk hyperparameter yang dapat disetel yang ingin dicari oleh pekerjaan penyetelan, dan tetapkan nilai statis untuk hiperparameter yang ingin tetap konstan di semua pekerjaan pelatihan yang diluncurkan oleh tugas tuning hyperparameter. Untuk informasi selengkapnya, lihat [Tentukan Rentang Hyperparameter](automatic-model-tuning-define-ranges.md).
1. Pilih **Berikutnya**.
1. Untuk **konfigurasi data Input**, tentukan nilai berikut untuk setiap saluran data input yang akan digunakan untuk pekerjaan penyetelan hyperparameter. Anda dapat melihat saluran apa yang didukung algoritme yang Anda gunakan untuk penyetelan hiperparameter, dan jenis konten, jenis kompresi yang didukung, dan mode input yang didukung untuk setiap saluran, di bawah bagian **Spesifikasi saluran** pada halaman **ringkasan Algoritma** untuk algoritme.
1. Untuk **nama Saluran**, ketik nama saluran input.
1. Untuk **tipe Konten**, ketikkan tipe konten data yang diharapkan algoritme untuk saluran tersebut.
1. Untuk **jenis Kompresi**, pilih jenis kompresi data yang akan digunakan, jika ada.
1. Untuk **Record wrapper**, pilih `RecordIO` apakah algoritma mengharapkan data dalam format. `RecordIO`
1. Untuk **tipe data S3, tipe** **distribusi data S3**, dan **lokasi S3**, tentukan nilai yang sesuai. Untuk informasi tentang arti nilai-nilai ini, lihat [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_S3DataSource.html).
1. Untuk **mode Input**, pilih **File** untuk mengunduh data dari ke volume penyimpanan ML yang disediakan, dan pasang direktori ke volume Docker. Pilih **Pipe** Untuk mengalirkan data langsung dari Amazon S3 ke wadah.
1. Untuk menambahkan saluran input lain, pilih **Tambah saluran**. Jika Anda selesai menambahkan saluran input, pilih **Selesai**.
1. Untuk lokasi **Output**, tentukan nilai berikut:
1. Untuk **jalur keluaran S3**, pilih lokasi S3 tempat pekerjaan pelatihan yang diluncurkan oleh pekerjaan penyetelan hyperparameter ini, seperti artefak model.
**catatan**
Anda menggunakan artefak model yang disimpan di lokasi ini untuk membuat model atau paket model dari pekerjaan tuning hyperparameter ini.
1. Untuk **kunci Enkripsi**, jika Anda ingin SageMaker AI menggunakan AWS KMS kunci untuk mengenkripsi data keluaran saat istirahat di lokasi S3.
1. Untuk **konfigurasi Sumber Daya**, berikan informasi berikut:
1. Untuk **tipe Instance**, pilih jenis instance yang akan digunakan untuk setiap pekerjaan pelatihan yang diluncurkan oleh tugas tuning hyperparameter.
1. Untuk **jumlah Instance**, ketikkan jumlah instance ML yang akan digunakan untuk setiap pekerjaan pelatihan yang diluncurkan oleh tugas tuning hyperparameter.
1. Untuk **Volume tambahan per instans (GB)**, ketikkan ukuran volume penyimpanan ML yang ingin Anda sediakan untuk setiap tugas pelatihan yang diluncurkan oleh tugas tuning hyperparameter. Volume penyimpanan ML menyimpan artefak model dan status inkremental.
1. Untuk **kunci Enkripsi**, jika Anda ingin Amazon SageMaker AI menggunakan kunci Layanan Manajemen AWS Kunci untuk mengenkripsi data dalam volume penyimpanan ML yang dilampirkan ke instans pelatihan, tentukan kuncinya.
1. Untuk **batas Sumber Daya**, berikan informasi berikut:
1. Untuk **pekerjaan pelatihan maksimum**, tentukan jumlah maksimum pekerjaan pelatihan yang Anda inginkan untuk memulai pekerjaan tuning hyperparameter. Pekerjaan tuning hyperparameter dapat meluncurkan maksimal 500 pekerjaan pelatihan.
1. Untuk **pekerjaan pelatihan paralel maksimum**, tentukan jumlah maksimum pekerjaan pelatihan bersamaan yang dapat diluncurkan oleh pekerjaan tuning hyperparameter. Pekerjaan tuning hyperparameter dapat meluncurkan maksimal 10 pekerjaan pelatihan bersamaan.
1. Untuk **kondisi Berhenti**, tentukan jumlah waktu maksimum dalam detik, menit, jam, atau hari, yang Anda inginkan agar setiap pekerjaan pelatihan yang diluncurkan oleh pekerjaan tuning hyperparameter dijalankan.
1. Untuk **Tag**, tentukan satu atau beberapa tag untuk mengelola tugas penyetelan hyperparameter. Setiap tag terdiri dari kunci dan nilai opsional. Kunci tanda harus unik untuk setiap sumber daya.
1. Pilih **Buat pekerjaan** untuk menjalankan pekerjaan tuning hyperparameter.
## Menggunakan Algoritma untuk Menjalankan Hyperparameter Tuning Job (API)
Untuk menggunakan algoritme untuk menjalankan tugas penyetelan hyperparameter dengan menggunakan SageMaker API, tentukan nama atau Nama Sumber Daya Amazon (ARN) algoritme sebagai `AlgorithmName` bidang [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_AlgorithmSpecification.html)objek yang Anda kirim. [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateHyperParameterTuningJob.html) Untuk informasi tentang penyetelan hyperparameter di SageMaker AI, lihat. [Penyetelan model otomatis dengan AI SageMaker](automatic-model-tuning.md)
## Menggunakan Algoritma untuk Menjalankan Pekerjaan Tuning Hyperparameter (Amazon [Python SageMaker SDK](https://sagemaker.readthedocs.io/en/stable))
Gunakan algoritme yang Anda buat atau berlangganan AWS Marketplace untuk membuat pekerjaan tuning hyperparameter, buat `AlgorithmEstimator` objek, dan tentukan Amazon Resource Name (ARN) atau nama algoritme sebagai nilai argumen. `algorithm_arn` Kemudian inisialisasi `HyperparameterTuner` objek dengan yang `AlgorithmEstimator` Anda buat sebagai nilai `estimator` argumen. Akhirnya, panggil `fit` metode`AlgorithmEstimator`. Contoh:
```
from sagemaker import AlgorithmEstimator
from sagemaker.tuner import HyperparameterTuner
data_path = os.path.join(DATA_DIR, 'marketplace', 'training')
algo = AlgorithmEstimator(
algorithm_arn='arn:aws:sagemaker:us-east-2:764419575721:algorithm/scikit-decision-trees-1542410022',
role='SageMakerRole',
instance_count=1,
instance_type='ml.c4.xlarge',
sagemaker_session=sagemaker_session,
base_job_name='test-marketplace')
train_input = algo.sagemaker_session.upload_data(
path=data_path, key_prefix='integ-test-data/marketplace/train')
algo.set_hyperparameters(max_leaf_nodes=10)
tuner = HyperparameterTuner(estimator=algo, base_tuning_job_name='some-name',
objective_metric_name='validation:accuracy',
hyperparameter_ranges=hyperparameter_ranges,
max_jobs=2, max_parallel_jobs=2)
tuner.fit({'training': train_input}, include_cls_metadata=False)
tuner.wait()
```